布谷鸟搜索算法

布谷鸟搜索算法

布谷鸟搜索算法（Cuckoo Search Optimization,CS）是一种模拟布谷鸟孵化行为的群智能优化算法，由Yang Xin She和Suash Deb于2009年提出。CS算法利用莱维飞行进行全局搜索，具有良好的全局寻优能力。

算法原理

布谷鸟算法以寄生巢位置表示问题的可行解，通过莱维飞行和随机选择两种寄生策略对寄生巢位置进行更新，改良种群，搜索问题的最优解。CS算法与优化问题的对应关系如下表所示。

CS	优化问题
鸟巢位置	可行解：$X_i=(x_{i1},x_{i2},\dots ,x_{iD})$
位置优劣	适应度

算法假设条件如下：

• 每只布谷鸟只产一次卵，并随机选择一个位置的鸟巢进行孵化。
• 在随机选择的鸟巢中，优质的鸟巢将会被保留到下一代。
• 可利用的鸟巢数量固定，鸟巢主人发现外来鸟蛋的概率为$p_a\in [0,1]$。当鸟巢主人发现外来的布谷鸟蛋时，它会将布谷鸟蛋丢弃或者重新建立新的鸟巢。

算法超参数

• $\alpha$：步长因子，通常取值为1；
• $p_a$：布谷鸟蛋被宿主鸟发现的概率；
• NP：种群大小；
• Gmax：最大迭代数。

莱维飞行

莱维飞行是一种步长服从莱维分布的随机游走过程，由高频率的短距离飞行和低频率的长距离飞行组成。算法搜索前期，大步长有利于增加种群多样性，扩大搜索范围，增强算法的全局搜索能力，有利于搜索到全局最优；算法搜索后期，小步长缩小搜索范围，增强算法的局部开发能力，有利于算法收敛。

位置更新公式
$$X_i^{t+1}=X_i^t+\alpha \times L(s,\lambda )\text{\hspace{1em}(1)}$$
其中莱维飞行步长公式为
$$L(s,\lambda )=\frac{\lambda \Gamma (\lambda )sin(\pi \lambda /2)}{\pi }\frac{1}{s^{1+\lambda }}\text{\hspace{1em}(2)}$$
莱维飞行代码

from math import gamma
beta = 1.5
n = 2
num = gamma(1+beta)*np.sin(np.pi*beta/2)
den = gamma((1+beta)/2)*beta*(2**((beta-1)/2))
sigmau = (num/den)**(1/beta)
sigmav = 1
u = np.random.normal(0, sigmau, n)
v = np.random.normal(0, sigmav, n)
S = u/(np.abs(v)**(1/beta))

初始化

初始解应当覆盖整个搜索空间，一般采用均匀分布随机生成初始解。
$$x_{ij}^0=x_{i,j}^{min}+rand(0,1)\cdot (x_{i,j}^{max}-x_{i,j}^{min})\text{\hspace{1em}(3)}$$
其中，rand(0,1)表示0-1之间的随机数，$x_{ij}^{max}$和$x_{ij}^{min}$分别表示该问题第j个维度变量的上下界。

伪代码

---

输入:超参数$(\alpha ,p_a,NP,Gmax)$和搜索边界$X_{min}$,$X_{max}$
输出:最优解
1:初始化
2:根据式(3)初始化位置种群X
3:记录群体最优gbest
4:优化搜索
5:For G = 1:Gmax
6: \qquad 按照式(1)更新鸟巢位置
7: \qquad 生成随机数r与$p_a$比较，决定是否对鸟巢位置进行随机更新
8: \qquad 新鸟巢位置与原鸟巢位置采取最优保留策略，以保持种群大小不变
9: \qquad 更新群体最优$gbest$
10:End

---

注：优化算法并不保证能够得到问题的最优解，因此，算法输出的最优解并非问题的整体最优解，而是搜索过程中最好的一个解。

实验

实验选取二维的平方和函数，函数的最小值在点(a,b)取得，最小值为0。
$$f(x_1,x_2)=(x_1-a{)}^2+(x_2-b{)}^2\text{\hspace{1em}(4)}$$

实验参数如下：

参数	值
问题维度D	2
种群数NP	30
最大进化次数Gmax	50
$\alpha$	1
$p_a$	0.25
取值范围	(-100,100)

相对而言，CS算法群体收敛较慢，一定程度上增大了种群的多样性。

最优值	最差值	平均值	标准差
0.208e-2	7.658	0.423	1.402

代码获取

关注微信公众号数学模型与算法回复 CS算法获取python代码

参考文献

[1] Yang X S, Deb S. Cuckoo search: recent advances and applications[J]. Neural Computing and applications, 2014, 24: 169-174.
[2] 张晓凤, 王秀英. 布谷鸟搜索算法综述[J]. 计算机工程与应用, 2018, 54(18): 8-16.